Exploring the utilization of neural networks in Forex market forecasting: a comparative analysis of nonlinear autoregressive neural network and autoregressive integrated moving average

Abstract

This bachelor's thesis explores and analyses the utilization of Neural Networks in foreign exchange market forecasting and compares it with another statistical time series analysis model. The foreign exchange market is the largest and most liquid marketplace in the world, making it difficult to predict future movements of exchange rates. This research was conducted by introducing the theory, benefits, and possibilities of neural networks in forecasting foreign exchange rate markets. Nonlinear Autoregressive neural network (NAR) and Autoregressive Integrated Moving Average (ARIMA) models selected for the study were reviewed and presented in more detail. The literature review concluded with a general review of the exchange rate market and a summary of previous studies was presented.

In the Empirical section of this study, a NAR neural network and an ARIMA model were built utilizing MATLAB computer software to predict future exchange rate movements for two exchange rate pairs. Historical exchange rate data between the currency pairs of EUR/USD and EUR/GBP within the timeframe of 2013-2022 have been utilized to conduct this research. The data contains the daily closing rate for both currency pairs.

The results of this study show that both the NAR neural network and the ARIMA model can predict foreign exchange rate markets and selected currency exchange rates. Based on the selected performance metrics mean squared error (MSE) and root mean squared error (RMSE), the NAR neural network performed with better accuracy, but the accuracy of the results may be disrupted by the challenging nature of the foreign exchange market.

Tämä kandidaatin tutkielma tutkii ja analysoi neuroverkkojen hyödyntämistä valuuttakurssimarkkinoiden ennustamisessa ja vertaa sitä toiseen tilastolliseen aikasarja analyysimalliin. Valuuttamarkkinat ovat maailman suurin ja likvidein markkinapaikka, mikä vaikeuttaa tulevien valuuttakurssimuutosten ennustamista. Tämä tutkimus tehtiin esittelemällä neuroverkkojen teoriaa, hyötyjä ja mahdollisuuksia valuuttakurssi markkinoiden ennustamisessa. Tutkimukseen valitut Nonlinear Autoregressive neural network (NAR) ja Autoregressive Integrated Moving Average (ARIMA) -mallit käytiin läpi ja esiteltiin yksityiskohtaisemmin. Kirjallisuuskatsaus päättyy valuuttakurssimarkkinoiden yleiseen tarkasteluun ja yhteenvetoon aiemmista tutkimuksista.

Tämän tutkimuksen empiirisessä osassa rakennettiin NAR-neuroverkko ja ARIMA-malli käyttäen MATLAB-tietokoneohjelmistoa ennustamaan tulevia valuuttakurssiliikkeitä kahdelle valuuttakurssiparille. Tämän tutkimuksen tekemiseen on hyödynnetty valuuttakurssi parien EUR/USD ja EUR/GBP historiallista valuuttakurssi dataa vuosilta 2013–2022. Käytetty data sisältää molempien valuuttakurssiparien päivittäisen päätöskurssin.

Tämän tutkimuksen tulokset osoittavat, että sekä NAR-neuroverkko että ARIMA-malli voivat ennustaa valuuttakursseja ja valikoituja valuutanvaihtokursseja. Valittujen suoritusmittareiden mean squared error (MSE) ja root mean squared error (RMSE) perusteella NAR-neuroverkko suoriutui paremmalla tarkkuudella, mutta tulosten tarkkuus voi häiriintyä valuuttamarkkinoiden haastavan luonteen vuoksi.